一种运动捕获数据自动分割方法技术

本发明专利技术公开了一种运动捕获数据自动分割方法，目的是用低维的运动特征来描述高维运动，通过探测运动特征的变化实现运动捕获数据的自动分割。技术方案是：先描述待分割的运动捕获数据，然后对待分割运动捕获数据进行去均值预处理，以预处理后的运动捕获数据为样本，训练高斯过程隐变量模型，实现运动捕获数据的降维，再利用降维的结果构造并计算运动特征函数，利用运动特征函数几何特征的变化，探测运动捕获数据分割点，实现运动捕获数据自动分割。采用本发明专利技术利用运动特征函数几何特征的变化自动探测运动片段分割点的位置和数目，不需要用户预先指定运动片段的数目，自动化程度更高，运动特征函数对运动角色所有运动关节敏感，具有更好的普适性。

【技术实现步骤摘要】

本专利技术涉及计算机动画领域里关于运动捕获数据分割的方法，特别是一种基于统 计学习的运动捕获数据自动分割方法。
技术介绍
近年来，随着运动捕获设备的发展和普及，出现了一种新的运动生成方法，即运动 捕获方法。利用运动捕获数据生成虚拟角色的运动，具有易于实现、运动逼真度高等优点。 该方法已被广泛应用于影视、广告、动画制作、教学等领域。在应用运动捕获方法生成新运 动时，经常要用到运动分割，将一个长序列运动捕获数据分割成为不同语义特征的一系列 运动片段，再将其中的某些运动片段经过重新排序、运动拼接，生成满足需求的新运动。由 于运动的复杂性和多样性，运动捕获数据呈现出种类多、数据量大等特点，人工对其进行检 索和分割是一项很繁杂的工作，这给本身就很复杂的动画创作增加了更大的负担。为了更 好地利用运动捕获数据，对运动捕获数据的自动分割日益受到人们的重视，逐渐成为一个 研究热点。对运动捕获数据进行分割，就是要找出运动序列中不同运动片段之间的分割点。 一些学者认为不同的运动片段会表现出不同的几何特征，通过分析运动的几何特征实现运 动的分割，运动几何特征发生变化的帧就是分割点。杨跃东等人在文献“基于几何特征的 人体运动捕获数据分割方法”中，将人体8个不同部位弯曲的角度作为人体运动几何特征， 由此构造特征函数，通过分析特征函数的几何特征，实现了运动的分割。肖俊等人在文献 “三维人体运动特征可视化与交互式运动分割”中，提出一种基于运动特征的交互式运动分 割方法，利用人体四肢相对于根节点的夹角构造运动特征函数，以特征函数的跳变点作为 运动的分割点。这类方法的优点是直接从关节角度抽取运动特征，特征函数结构简单，计算 效率高；但是它们只是对人体关节进行简单的取舍，只考虑了其中几个固定的关节，特征函 数只对这些固定的关节敏感，因此只适应某些特殊运动的分割，而对由那些削减掉的关节 完成的运动，分割却无能为力。如果考虑所有关节的运动特征，由于人体运动捕获数据的 高维性，势必引起特征函数的高复杂性，严重影响计算效率。与直接从关节角度抽取运动 特征不同，另外一些学者从统计学的角度对运动捕获数据的分割开展了相应的研究。这类 方法将人体所有关节自由度构成的向量作为一个整体进行研究，从运动捕获数据方差的角 度入手，基于不同运动片段具有不同的方差分布即主成分实现运动分割；或者从运动捕获 数据的概率分布角度入手，基于不同运动片段服从不同分布进行运动分割。在这类方法中， Jemej等人的工作具有代表性。Jemej等人在文献“将运动捕获数据分割成不同行为特征的 片段，，(Segmenting motion capture data into distinct behaviors)中，提出 了三禾中运动 捕获数据分割方法。他们认为不同类型的人体运动捕获数据应该具有不同的内在维度，他 们基于主成分分析(Principal Component Analysers, PCA)实现了运动捕获数据的分割， 通过构建运动捕获数据分割器，当运动捕获数据的子空间模型内在维度发生变化时，即为 不同运动片段之间的分割点。另外，通过在算法中引入概率分布的概念，提出了基于概率主成分分析(Probabilistic Principal Component Analysers，PPCA)的运动数据分割方法。 这两种算法对运动捕获数据的分割效果较好，但是它们的运算效率较低。此外，Jemej等人 还认为，不同类型的运动数据会形成独立的聚类，而且每个聚类都服从不同的高斯分布，基 于此假设提出了基于混合高斯模型(Gaussian Mixture Models, GMM)的运动数据分割算 法，但是利用这种算法进行运动捕获数据分割时，需要用户指定待分割的运动片段数目，使 用起来很不方便，因为运动序列中包含的运动片段数目在分割前往往并不知道。
技术实现思路
本专利技术要解决的技术问题是提供一种运动捕获数据的自动分割方法，用低维的运 动特征来描述高维运动，通过探测运动特征的变化实现运动捕获数据的自动分割。本专利技术的技术方案如下第一步，描述待分割的运动捕获数据，方法是1. 1、分析待分割的运动捕获数据，确定构成运动的关节的顺序和每个关节的自由 度，由所有关节的自由度变量组成特征向量y，y为D维列向量，D等于被记录的角色关节自 由度的总和，D为正整数。1.2、依次读取运动捕获数据的每一帧，按确定的关节顺序依次给特征向量的每个 元素赋值。第i帧的特征向量标记为y' ”i为正整数。1.3、对于包含N帧的待分割运动捕获数据，可用矩阵Y' = [y'2，…，y' J τ表示，N为正整数。第二步，进行去均值预处理，方法是2. 1、计算待分割运动捕获数据的均值向量，计算公式是 权利要求1.，其特征在于包括以下步骤第一步，描述待分割的运动捕获数据，方法是1.1、分析待分割的运动捕获数据，确定构成运动的关节的顺序和每个关节的自由度， 由所有关节的自由度变量组成特征向量y，y为D维列向量，D等于被记录的角色关节自由 度的总和，D为正整数；1.2、依次读取运动捕获数据的每一帧，按确定的关节顺序依次给特征向量的每个元素 赋值，第i帧的特征向量标记为y' i，i为正整数；1.3、对于包含N帧的待分割运动捕获数据，用矩阵Y'= τ表 示，N为正整数；第二步，进行去均值预处理，方法是2.1、计算待分割运动捕获数据的均值向量，计算公式是3.1、确定降维后隐空间的维数d，高斯过程隐变量模型将运动捕获数据从高维观察空 间yD映射到低维隐空间xd，隐空间的维数即χ的维数d为2-3维；3. 2、确定核函数为4.如权利要求1所述的运动捕获数据自动分割方法，其特征在于λ=0.45。全文摘要本专利技术公开了，目的是用低维的运动特征来描述高维运动，通过探测运动特征的变化实现运动捕获数据的自动分割。技术方案是先描述待分割的运动捕获数据，然后对待分割运动捕获数据进行去均值预处理，以预处理后的运动捕获数据为样本，训练高斯过程隐变量模型，实现运动捕获数据的降维，再利用降维的结果构造并计算运动特征函数，利用运动特征函数几何特征的变化，探测运动捕获数据分割点，实现运动捕获数据自动分割。采用本专利技术利用运动特征函数几何特征的变化自动探测运动片段分割点的位置和数目，不需要用户预先指定运动片段的数目，自动化程度更高，运动特征函数对运动角色所有运动关节敏感，具有更好的普适性。文档编号G06T7/20GK102122391SQ20111007833公开日2011年7月13日 申请日期2011年3月30日 优先权日2010年12月13日专利技术者冯晓萌, 吴玲达, 宋汉辰, 杨冰, 杨征, 瞿师, 魏迎梅 申请人:中国人民解放军国防科学技术大学本文档来自技高网...

【技术保护点】
１．一种运动捕获数据自动分割方法，其特征在于包括以下步骤：第一步，描述待分割的运动捕获数据，方法是：１．１、分析待分割的运动捕获数据，确定构成运动的关节的顺序和每个关节的自由度，由所有关节的自由度变量组成特征向量ｙ，ｙ为Ｄ维列向量，Ｄ等于被记录的角色关节自由度的总和，Ｄ为正整数；１．２、依次读取运动捕获数据的每一帧，按确定的关节顺序依次给特征向量的每个元素赋值，第ｉ帧的特征向量标记为ｙ′ｉ，ｉ为正整数；１．３、对于包含Ｎ帧的待分割运动捕获数据，用矩阵Ｙ′＝［ｙ′１，ｙ′２，…／ｍｎ）?（ｍｏ））（／ｍｏ）?（／ｍｒｏｗ）?（／ｍｒｏｗ）?（／ｍａｔｈ）４．３、计算运动捕获数据每一帧对应的运动特征函数值，将运动捕获数据转化为一系列标量值：Ｍｏｔｉｏｎ（Ｎ）＝［ｆ（ｘ１），ｆ（ｘ２），…，ｆ（ｘＮ）］（１９）第五步，利用运动特征函数几何特征的变化，探测运动捕获数据分割点，实现运动捕获数据的自动分割，方法是：５．１、遍历第四步求得的运动特征函数值序列Ｍｏｔｉｏｎ（Ｎ），求其局部最大值和最小值序列，方法是：若ｆ（ｘｉ）＞ｆ（ｘｉ＋１）且ｆ（ｘｉ）＞ｆ（ｘｉ－１），则ｆ（ｘｉ）为局部最大值；若ｆ（ｘｉ）＜ｆ（ｘｉ＋１）且ｆ（ｘｉ）＜ｆ（ｘｉ－１），则ｆ（ｘｉ）为局部最小值，计算结果保存为一维数组：（ｍａｔｈ）??（ｍｒｏｗ）?（ｍｉ）Ｅｘｔｒｅｍｕｍ（／ｍｉ）?（ｍｒｏｗ）?（ｍｏ）（（／ｍｏ）?（ｍｉ）ｎ（／ｍｉ）?（ｍｏ））（／ｍｏ）?（／ｍｒｏｗ）?（ｍｏ）＝（／ｍｏ）?（ｍｏ）［（／ｍｏ）?（ｍｉ）ｆ（／ｍｉ）?（ｍｒｏｗ）?（ｍｏ）（（／ｍｏ）?（ｍｓｕｂ）?（ｍｉ）ｘ（／ｍｉ）?（ｍｓｕｂ）?（ｍｉ）ｉ（／ｍｉ）?（ｍｎ）１（／ｍｎ）?（／ｍｓｕｂ）?（／ｍｓｕｂ）?（ｍｏ））（／ｍｏ）?（／ｍｒｏｗ）?（ｍｏ），（／ｍｏ）?（ｍｉ）ｆ（／ｍｉ）?（ｍｒｏｗ）?（ｍｏ）（（／ｍｏ）?（ｍｓｕｂ）?（ｍｉ）ｘ（／ｍｉ）?（ｍｓｕｂ）?（ｍｉ）ｉ（／ｍｉ）?（ｍｎ）２（／ｍｎ）?（／ｍｓｕｂ）?（／ｍｓｕｂ）?（ｍｏ））（／ｍｏ）?（／ｍｒｏｗ）?（ｍｏ），（／ｍｏ）?（ｍｏ）＆ＣｅｎｔｅｒＤｏｔ；（／ｍｏ）?（ｍｏ）＆ＣｅｎｔｅｒＤｏｔ；（／ｍｏ）?（ｍｏ）＆ＣｅｎｔｅｒＤｏｔ；（／ｍｏ）?（ｍｏ），（／ｍｏ）?（ｍｉ）ｆ（／ｍｉ）?（ｍｒｏｗ）?（ｍｏ）（（／ｍｏ）?（ｍｓｕｂ）?（ｍｉ）ｘ（／ｍｉ）?（ｍｓｕｂ）?（ｍｉ）ｉ（／ｍｉ）?（ｍｉ）ｎ（／ｍｉ）?（／ｍｓｕｂ）?（／ｍｓｕｂ）?（ｍｏ））（／ｍｏ）?（／ｍｒｏｗ）?（ｍｏ）］（／ｍｏ）?（ｍｏ）－（／ｍｏ）?（ｍｏ）－（／ｍｏ）?（ｍｏ）－（／ｍｏ）?（ｍｒｏｗ）?（ｍｏ）（（／ｍｏ）?（ｍｎ）２０（／ｍｎ）?（ｍｏ））（／ｍｏ）?（／ｍｒｏｗ）?（／ｍｒｏｗ）?（／ｍａｔｈ）其中，ｉ１，ｉ２，…，ｉｎ∈｛１，２，…，Ｎ｝，且ｉ１＜ｉ２＜…＜ｉｎ，局部最大值和局部最小值交替出现，即若是局部最大值，则为局部最小值，若是局部最小值，则为局部最大值；５．２、探测运动捕获数据分割点，对Ｅｘｔｒｅｍｕｍ（ｎ）中的每一个如果或者则为运动捕获数据可能的分割点，λ为比例因子，一般０．２＜λ＜０．６，建议λ＝０．４５。５．３、冗余分割点的剔除，若序列Ｅｘｔｒｅｍｕｍ（ｎ）中，有连续两个或以上的点被判断为分割点，则表示该段运动为运动片段之间的过渡运动，则只需保留其中任意一个作为分割点，其余的被舍弃。，ｙ′Ｎ］Ｔ表示，Ｎ为正整数；第二步，进行去均值预处理，方法是：２．１、计算待分割运动捕获数据的均值向量，计算公式是：（ｍａｔｈ）??（ｍｒｏｗ）?（ｍｏｖｅｒ）?（ｍｉ）ｙ（／ｍｉ）?（ｍｏ）＆ＯｖｅｒＢａｒ；（／ｍｏ）?（／ｍｏｖｅｒ）?（ｍｏ）＝（／ｍｏ）?（ｍｆｒａｃ）?（ｍｎ）１（／ｍｎ）?（ｍｉ）Ｎ（／ｍｉ）?（／ｍｆｒａｃ）?（ｍｕｎｄｅｒｏｖｅｒ）?（ｍｉ）＆Ｓｉｇｍａ；（／ｍｉ）?（ｍｒｏｗ）?（ｍｉ）ｉ（／ｍｉ）?（ｍｏ）＝（／ｍｏ）?（ｍｎ）１（／ｍｎ）?（ｍｉ）ｉ（／ｍｉ）?（／ｍｓｕｂ）?（ｍｏ）－（／ｍｏ）?（ｍｓｕｂ）?（ｍｉ）ｘ（／ｍｉ）?（ｍｉ）ｊ（／ｍｉ）?（／ｍｓｕｂ）?（ｍｏ））（／ｍｏ）?（／ｍｒｏｗ）?（／ｍｒｏｗ）?（ｍｒｏｗ）?（ｍｏ）＆ＰａｒｔｉａｌＤ；（／ｍｏ）?（ｍｉ）＆ｂｅｔａ；（／ｍｉ）?（／ｍｒｏｗ）?（／ｍｆｒａｃ）?（ｍｏ）＝（／ｍｏ）?（ｍｓｕｂ）?（ｍｉ）＆ｄｅｌｔａ；（／ｍｉ）?（ｍｒｏｗ）?（ｍｉ）ｉ（／ｍｉ）?（ｍｏ），（／ｍｏ）?（ｍｉ）ｊ（／ｍｉ）?（／ｍｒｏｗ）?（／ｍｓｕｂ）?（ｍｏ）－（／ｍｏ）?（ｍｏ）－（／ｍｏ）?（ｍｏ）－（／ｍｏ）?（ｍｒｏｗ）?（ｍｏ）（（／ｍｏ）?（ｍｎ）７（／ｍｎ）?（ｍｏ）...

【技术特征摘要】
...

【专利技术属性】
技术研发人员：魏迎梅，吴玲达，瞿师，杨冰，杨征，宋汉辰，冯晓萌，
申请(专利权)人：中国人民解放军国防科学技术大学，
类型：发明
国别省市：43